Fundamentos de la ingeniería de prompts

Al terminar esta enseñanza vas a tener dos cosas: un prompt concreto, construido por capas hasta dejarlo listo para producir resultados consistentes, y un método para enfrentarte a cualquier nueva tarea sabiendo exactamente qué pieza añadir cuando la respuesta no convence. La idea central que vertebra todo el recorrido es deliberadamente simple: un buen prompt no se escribe de un tirón, se construye sumando técnicas hasta que la IA tiene lo necesario para acertar sin tener que adivinar.

La práctica completa dura unos cuarenta y cinco minutos, sobre todo porque vas a ejecutar el mismo pedido siete veces y comparar respuestas. Esa repetición no es relleno didáctico: es justo lo que entrena el criterio. Cuando ves con tus propios ojos cómo cambia la salida al añadir el rol, al sumar contexto o al cerrar el formato, dejas de aplicar las técnicas porque alguien lo dice en un tutorial y empiezas a aplicarlas porque sabes qué problema concreto resuelven en tu caso.

Antes de meterte de lleno, elige una tarea real tuya. No un ejemplo de manual, sino algo que necesites resolver de verdad esta semana: un correo difícil, un resumen, una clasificación, un guion. La diferencia entre practicar con tu tarea y practicar con ejemplos prestados es la misma que hay entre cocinar para tu familia y mirar a otro cocinar en televisión.

Antes de empezar

El frontmatter lo deja claro: te basta con acceso a un chat de IA cualquiera (ChatGPT, Claude, Gemini, Grok), tu tarea real anotada y, opcionalmente, haber pasado por los trucos individuales de rol, contexto, ejemplos y formato si quieres entender por separado cada técnica antes de combinarlas. Esta enseñanza es la que las pone a trabajar juntas.

Una recomendación previa: abre un documento al lado para ir guardando cada versión del prompt y su respuesta. No hace falta nada sofisticado, un bloc de notas vale. Sirve para tener la trazabilidad de qué añadiste en cada paso y poder volver atrás cuando una iteración empeore el resultado en vez de mejorarlo, que ocurre más a menudo de lo que parece.

El recorrido completo

El paso de escribir la tarea base parece tonto pero es la línea de partida que da sentido a los demás. Escribe el pedido de la forma más simple posible, casi telegráfica, y ejecútalo. La respuesta que te dé es tu “antes”: probablemente plana, genérica, llena de fórmulas vacías. Guarda esa salida porque vas a compararla con cada versión siguiente, y verás de forma cuantificable cuánto aporta cada capa.

Cuando asignas un rol, lo que estás haciendo es decirle al modelo desde qué marco profesional debe interpretar todo lo demás. “Actúa como representante de atención al cliente” no es decoración: cambia el vocabulario que el modelo considera adecuado, los criterios de qué prometer y qué evitar y el grado de formalidad por defecto. El rol funciona como una lente que tiñe el resto de la respuesta. Por debajo, el modelo está reduciendo el espacio de respuestas posibles a las que estadísticamente encajan con ese rol en sus datos de entrenamiento, y por eso un rol bien elegido acerca la salida a lo que esperas mucho antes que mil aclaraciones puntuales.

Sumar el contexto es donde se nota más la diferencia entre un prompt amateur y uno profesional. Sin contexto, la IA rellena los huecos con inventos plausibles (un retraso genérico, un cliente genérico, un tono genérico) y el resultado huele a plantilla a la legua. Con contexto concreto (tres días de retraso, problema de stock, cliente habitual ya molesto), la respuesta se vuelve específica y útil. La regla operativa es responder a tres preguntas: qué situación real ha pasado, para quién es el resultado y qué tono encaja con la relación que tienes con esa persona o sector.

El paso del ejemplo (lo que en la literatura técnica se llama “few-shot prompting”) es a menudo el que más mejora produce con menos esfuerzo. Si tienes un mail anterior que funcionó, un texto que representa tu tono, una clasificación bien hecha de un caso anterior, pégalo como ejemplo. El modelo aprende del patrón mejor de lo que aprendería de cualquier descripción larga del estilo. Para tareas con formato muy específico (tablas, JSON, listados con estructura concreta), un ejemplo es prácticamente irreemplazable.

Pedir razonamiento explícito (“antes de redactar, piensa qué solución conviene ofrecer”) empuja al modelo a desplegar el problema antes de comprometerse con una respuesta. Para tareas con varias variables (qué ofrecer, cómo priorizar, qué reglas aplicar), este paso reduce drásticamente los errores lógicos porque obliga al modelo a hacer visible su cadena de decisiones. Para tareas simples (un saludo, una fecha, un dato puntual), el razonamiento sobra y solo alarga la salida. Saber cuándo añadirlo y cuándo no es parte del criterio que entrenas con la práctica.

Cerrar con formato y restricciones es lo que convierte una respuesta correcta en una respuesta directamente usable. Si dices “máximo 120 palabras, sin prometer reembolsos, devuélveme solo el cuerpo del correo en español de España”, lo que recibes es un texto pegable, no un borrador que tienes que recortar tú. El secreto está en describir el formato como un contrato, no como un deseo: número exacto de palabras, qué incluir, qué excluir, qué idioma, qué estructura.

La iteración, el séptimo paso, suele ser donde se tira por la borda el trabajo anterior. La tentación de empezar de cero cuando algo no convence es muy fuerte y casi siempre equivocada. Si la respuesta tiene noventa por ciento de lo que necesitas, pide un ajuste puntual: “más breve”, “más directo”, “saca la disculpa inicial”, “cambia el cierre”. El modelo conserva el contexto de la conversación y refina sobre lo que ya tiene. Iterar de a una variable por turno mantiene la trazabilidad y permite volver atrás si una iteración empeora la salida.

Cómo saber que cada parte funciona

Una capa aporta cuando la respuesta se acerca al resultado deseado al añadirla y se aleja al quitarla. Esta es la prueba operativa más útil: si añades un rol y la respuesta cambia poco, ese rol no estaba haciendo su trabajo; revisa cómo lo formulaste o sustitúyelo por otro más específico. Si añades contexto y la respuesta sigue genérica, falta concreción en los datos del contexto. Otro criterio práctico: cuanto menos tengas que reescribir manualmente la salida para usarla, mejor estaba el prompt.

A nivel global, un prompt completo funciona cuando dos personas distintas ejecutando el mismo pedido con sus propios datos obtienen resultados de calidad comparable. Si tu prompt solo te funciona a ti porque tú sabes en qué pensar para corregirlo después, está incompleto. Comparte tus mejores prompts con alguien del equipo: lo que sobreviva a su uso es lo que ya está cocido.

Errores frecuentes y cómo salir de ellos

• La respuesta es genérica. Falta rol o contexto, o ambos. Empieza por el rol y luego añade los datos concretos de la situación; suele ser suficiente con eso.
• El formato no es el que pediste. Describirlo en palabras no basta para casos exigentes. Muestra un ejemplo exacto de la salida que esperas y pide que la nueva respuesta siga ese patrón al pie de la letra.
• Se equivoca en cuentas o lógica. Pídele que piense paso a paso antes de concluir y revisa el razonamiento que muestra; los errores aritméticos suelen aparecer cuando el modelo salta directo al resultado.
• Llega demasiado larga o con relleno. Suma restricciones numéricas (“máximo 80 palabras”) y lista qué no incluir; el modelo recorta bien cuando se le marca el límite.
• Inventa datos que no le diste. Añade la instrucción explícita “si no lo sabes, dilo” y “no inventes nada que no esté en el material que te di”.
• Cada iteración empeora la salida. Estás cambiando demasiadas variables a la vez. Vuelve al último prompt que funcionó, copia esa versión y refina solo una cosa por turno.

Variaciones útiles

Para tareas que repites cada semana (correos a clientes, resúmenes de reuniones, clasificación de tickets), convierte el prompt final en una plantilla con huecos del tipo <cliente>, <situación>, <plazo> y guárdala en un sitio accesible. Cada vez que la uses solo rellenas los huecos y mantienes la calidad sin tener que reconstruir el prompt desde cero. Para tareas más estables todavía, guarda el rol y el contexto fijo en las instrucciones personalizadas de tu IA (ChatGPT lo llama “custom instructions”, Claude lo llama “system prompt” en su consola), de forma que no tengas que repetirlos cada vez.

Otra variación poderosa es probar el mismo prompt en dos modelos distintos. Cada IA responde mejor a estilos de instrucción ligeramente distintos: Claude prefiere estructura clara con encabezados, ChatGPT trabaja bien con instrucciones conversacionales, Gemini se beneficia de ejemplos abundantes. Saber con qué modelo trabaja mejor cada tipo de tarea forma parte del oficio.

Siguiente paso

Para profundizar capa por capa: rol-y-persona, dar-contexto, mostrar-ejemplo, cadena-de-pensamiento y restricciones-y-formato. Para empaquetar lo aprendido y reutilizarlo: guardar-tus-prompts y archivo-de-instrucciones. El curso completo está en ingenieria-de-prompts.